ارایه یک مدل پیش بینی غیرخطی با حداکثر حاشیه با کمک اسناد توصیفی برای بهبود عملکرد سیستم های توصیه گر

بسیاری از مدل های پیش بینی در سیستم های توصیه گر سعی در مدل کردن فاکتورهای پنهان کاربران و آیتم ها دارند. این مدل ها به کمک ماتریس امتیازات داده شده توسط کاربران به آیتم ها آموزش می بینند و کم بودن نسبت امتیازات داده شده کاربران به آیتم ها نسبت به کل امتیازات ممکن، باعث کاهش دقت این مدل ها شده است. لذا برای حل این مشکل در برخی پژوهش ها سعی گردیده است که علاوه بر امتیازات موجود از اطلاعات کمکی نظیر اسناد توصیفی که در مورد آیتم ها وجود دارند استفاده گردد. اما بسیاری از آنها از مدل های قدیمی تر پرکاربرد در متن کاوی استفاده نموده اند و همچنین عدم لحاظ نمودن حداکثر حاشیه در هنگام محاسبه ویژگی های کاربران و آیتم ها باعث گردیده است که ویژگی های کاربران و آیتم ها به شکل موثری استخراج نگردد. در این مقاله و در روش ارایه شده، مدلی غیرخطی ارایه کرده ایم که انعطاف بیشتری در مقایسه با مدل های خطی دارد و علاوه بر استفاده از اسناد توصیفی در مورد آیتم ها، با لحاظ کردن حداکثر حاشیه در هنگام استخراج ویژگی های کاربران باعث بهبود صحت پیش بینی گردیده است. با توجه به توانایی شبکه های عصبی در کار با دنباله ها، برای استخراج ویژگی از اسناد متنی از شبکه LSTM در مدل پیشنهادی استفاده می نماییم.